中圖分類號(hào)：TP311;TM769 文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2025）07-0152-04

Abstract：In order to improve the problems of lowsystem security，high occupancy rate and long response time in the existing inteligent power service system，an intelligent power customer service auxiliary decision-making system was proposed on the basis of the study of distributed computing platform and data mining. Based on the Hadoop and Map/Reduce frameworks，the overallarchitecture，application architectureand functions of the intelligent customer service auxiliary decision-making system were designed，and a fuzzy decision tree data mining algorithm was proposed to mine the behavior data of intellgent power customer service channel interaction，and the safety，functionalityand effectiveness of the system were verified in the experimental stage.The results showed that compared with thetraditional centralizedand distributeddesignmethods，the proposed system had asmallnumberof vulnerabilities，low system resource occupation and short response time.The proposed framework has a certain reference role for the improvement of power service quality.

Key words：power system;intelligent services ;data mining;decision tree

傳統(tǒng)客戶服務(wù)模式[1]下，電力企業(yè)一般采用人工客戶服務(wù)熱線和實(shí)體店模式為電力企業(yè)提供客戶服務(wù)。這種模式客戶服務(wù)時(shí)間較長(zhǎng)，不能適應(yīng)當(dāng)前的發(fā)展現(xiàn)狀和客戶服務(wù)需求。為了使電力用戶獲得更快、更高效的客戶服務(wù)模式，電力企業(yè)必須建立智能電力客戶服務(wù)輔助決策系統(tǒng)[2]，從而在一定程度上有效減輕電力企業(yè)客戶服務(wù)人員的工作壓力，同時(shí)在一定程度上有效提高電力企業(yè)客戶服務(wù)人員的工作效率，進(jìn)而提高電力企業(yè)客戶服務(wù)質(zhì)量。

目前，相關(guān)領(lǐng)域的學(xué)者對(duì)智能電力客戶服務(wù)決策進(jìn)行了研究，并取得了一些理論成果。如提出一種基于BP神經(jīng)網(wǎng)絡(luò)的智能電力服務(wù)系。首先提出客戶細(xì)分的整體架構(gòu)模型，并將模型分為數(shù)據(jù)模塊、方法模塊和功能模塊3個(gè)部分，然后設(shè)計(jì)電力客戶細(xì)分的相關(guān)評(píng)價(jià)指標(biāo)，并基于GA-BP算法構(gòu)建客戶分類模型，從而精確把握客戶的需求[3]。對(duì)基于人工智能的電力營(yíng)業(yè)廳創(chuàng)新服務(wù)應(yīng)用進(jìn)行分析，同時(shí)對(duì)智能電力營(yíng)業(yè)廳服務(wù)平臺(tái)的設(shè)計(jì)、創(chuàng)新服務(wù)成效進(jìn)行了研究[4]。設(shè)計(jì)并實(shí)現(xiàn)基于文本挖掘技術(shù)的電力系統(tǒng)運(yùn)維服務(wù)項(xiàng)目的智能輔助管理系統(tǒng)，從而解決電力運(yùn)維服務(wù)項(xiàng)目的分類錯(cuò)誤和重復(fù)立項(xiàng)等問(wèn)題[5]。然而，目前大部分智能服務(wù)系統(tǒng)仍然存在系統(tǒng)安全性低、占用率高、響應(yīng)時(shí)間等問(wèn)題。

為改善上述問(wèn)題，此研究給出了一種以Hadoop大數(shù)據(jù)框架為基礎(chǔ)的智能客服輔助決策體系，深入探究Hadoop框架的特征，把數(shù)據(jù)挖掘算法加入到體系設(shè)計(jì)之中，進(jìn)而細(xì)致討論智能客服的關(guān)鍵功能與其設(shè)計(jì)計(jì)劃，切實(shí)提高電力行業(yè)內(nèi)部決策流程的效率和服務(wù)品質(zhì)。

1相關(guān)工具和框架

智能電力客服輔助決策系統(tǒng)主要基于大數(shù)據(jù)分析工具，包括用于大規(guī)模數(shù)據(jù)處理的ApacheHadoop和Map/Reduce框架。

1.1 Hadoop大數(shù)據(jù)框架

Hadoop[是一個(gè)構(gòu)建分布式計(jì)算平臺(tái)的典型工具。該平臺(tái)具有低成本、高擴(kuò)展性等特點(diǎn)，可有效利用計(jì)算機(jī)集群實(shí)現(xiàn)高速運(yùn)行和大容量存儲(chǔ)。Hadoop大數(shù)據(jù)框架主要由Hadoop分布式文件系統(tǒng)（HadoopDistributedFileSystem，HDFS）、映射/規(guī)約（Map/Reduce）和數(shù)據(jù)倉(cāng)庫(kù)工具Hive。整個(gè)Hadoop大數(shù)據(jù)框架基于HDFS分布式文件存儲(chǔ)系統(tǒng)進(jìn)行存儲(chǔ)和管理?；贛apReduce分布式并行操作，Hadoop集群通過(guò)Java語(yǔ)言開發(fā)后，可以在多臺(tái)服務(wù)器上聯(lián)合運(yùn)行，從而大大減少了數(shù)據(jù)的計(jì)算時(shí)間。

1.2 HDFS

HDFS是Hadoop大數(shù)據(jù)框架的核心組件，屬于該框架的分布式文件系統(tǒng)。框架中的所有存儲(chǔ)節(jié)點(diǎn)數(shù)據(jù)都存儲(chǔ)在其中，可以實(shí)現(xiàn)高容錯(cuò)和高吞吐量的數(shù)據(jù)訪問(wèn)功能。HDFS的主存儲(chǔ)方式采用主從節(jié)點(diǎn)結(jié)構(gòu)，由4種類型組成：客戶端、命名節(jié)點(diǎn)（名稱節(jié)點(diǎn)）準(zhǔn)備節(jié)點(diǎn)和多個(gè)數(shù)據(jù)節(jié)點(diǎn)。

1.3 Map/Reduce編程模型

Map/Reduce[]是一個(gè)可用于編寫應(yīng)用程序的軟件框架，主要用來(lái)對(duì)大規(guī)模數(shù)據(jù)執(zhí)行并行操作，并簡(jiǎn)化操作過(guò)程。Map/Reduce編程模型框架中4個(gè)實(shí)體的功能如下：

（1）客戶端：主要執(zhí)行功能是編寫、配置并提交Map/Reduce程序;

（2）作業(yè)跟蹤器：主要負(fù)責(zé)與任務(wù)跟蹤器的實(shí)時(shí)通信；在此基礎(chǔ)上，協(xié)調(diào)任務(wù)操作的初始化和分配，調(diào)度所有任務(wù)，并在任務(wù)跟蹤器上分配不同的任務(wù)；

（3）任務(wù)跟蹤器：主要維護(hù)與工作跟蹤器的溝通，處理工作跟蹤器分解的任務(wù)。在任務(wù)執(zhí)行期間，任務(wù)跟蹤器可以有多個(gè)任務(wù)，而作業(yè)跟蹤器只能有一個(gè)任務(wù)；

（4）HDFS：主要用于存儲(chǔ)工作數(shù)據(jù)、配置信息，在其他實(shí)體之間共享工作文件，并將最終結(jié)果保存在HDFS中。

2模糊決策樹數(shù)據(jù)挖掘算法

數(shù)據(jù)挖掘[8]可看成一種技術(shù)手段，它把傳統(tǒng)的數(shù)據(jù)分析與復(fù)雜算法相結(jié)合，目的在于應(yīng)對(duì)海量數(shù)據(jù)所帶來(lái)的難題，從中獲取有價(jià)值的信息和見解，這一流程體現(xiàn)出信息抽取的科學(xué)性，而且顯示出數(shù)據(jù)分析技術(shù)朝著深度智能化方向發(fā)展的傾向很明顯。本節(jié)提出了一種模糊決策樹算法挖掘智能電力客戶服務(wù)渠道交互的行為數(shù)據(jù)。

2.1 指標(biāo)選取

考慮到傳統(tǒng)決策樹分割時(shí)存在許多冗余節(jié)點(diǎn)，本節(jié)選取熵、信息增益、基尼指數(shù)、信息增益比等指標(biāo)對(duì)節(jié)點(diǎn)進(jìn)行評(píng)估，從而確定需要分割的節(jié)點(diǎn)。

令 X=（x₁，x₂，…，x_n） 為一個(gè)離散的隨機(jī)變量，p 為其概率分布，則有：

p（X=x_i）=p_i

式中： i=1，2，…，n（n 為變量數(shù)目）。隨機(jī)變量 X 的熵 H（X） 定義如下：

信息增益表示決策樹執(zhí)行分割前獲得的熵與執(zhí)行分割后獲得的熵之間的差值。信息增益定義如下：

G_a（X，A）=H（X）-H（X∣A）

（4）式中： A=（a₁，a₂，…，a_m） 為另一個(gè)隨機(jī)變量; m 為 A 中元素個(gè)數(shù)。

基尼指數(shù)代表數(shù)據(jù)的不確定性，其值越高意味著樣本的不確定性高?；嶂笖?shù)定義如下：

本文所用決策樹算法基本構(gòu)造方法為C4.5算法。該算法通常采用信息獲取率高的屬性來(lái)分割當(dāng)前節(jié)點(diǎn)。在這個(gè)遞歸過(guò)程之后，計(jì)算的信息增益將變小。最后，如果屬性包含較高的信息獲取率，其將被分割。因此，信息增益比可通過(guò)以下公式得出：

式中： I_v（???） 為屬性的內(nèi)在值； p（a|A） 表示 A 中 a 的占比。

2.2基于剪枝的模糊決策樹算法

2.2.1 基本C4.5算法

當(dāng)數(shù)據(jù)屬性類型原本就是離散數(shù)據(jù)時(shí)，則不需要對(duì)數(shù)據(jù)進(jìn)行離散化操作。當(dāng)屬性類型為連續(xù)時(shí)，需要對(duì)數(shù)據(jù)進(jìn)行離散化。C4.5算法9的目標(biāo)是連續(xù)屬性的離散化處理。該算法核心思想是按升序排列 N 個(gè)屬性值，并計(jì)算每種分割方法對(duì)應(yīng)的信息增益，同時(shí)根據(jù)最大信息增益選擇分割規(guī)則的閥值[10]，具體過(guò)程如下。

步驟1：節(jié)點(diǎn)上的所有數(shù)據(jù)樣本按照連續(xù)屬性從小到大排列，從而獲得其屬性值序列 （x₁，x₂，… x_n ）。

步驟 中存在 N-1 種分割方式。對(duì)于第 χ_i 個(gè)分割，計(jì)算其閾值 θ

步驟3：基于 θ₁ ，產(chǎn)生2個(gè)子集，即 （x₁，x₂，… x_i ）和 （x_i+1，x_i+2，…，x_n） 。

步驟4：計(jì)算信息增益比，并得到兩個(gè)最優(yōu)分裂子集。

步驟5：重復(fù)上述過(guò)程，直至所有決策樹分割 完畢。

2.2.2 模糊剪枝

決策樹的建立過(guò)程在很大程度上依賴于訓(xùn)練樣本，容易產(chǎn)生過(guò)度擬合問(wèn)題[1]。為此，本節(jié)提出了一種模糊規(guī)則的剪枝策略。

對(duì)于一個(gè)葉節(jié)點(diǎn)，假設(shè)其包含 N 個(gè)樣本和 E 個(gè)分類錯(cuò)誤，錯(cuò)誤率定義如下[12]

式中： η 為懲罰因子。同理，對(duì)于具有 L 個(gè)葉節(jié)點(diǎn)的子樹，其錯(cuò)誤率為：

式中： E_i 表示第 i 個(gè)葉節(jié)點(diǎn)的樣本錯(cuò)誤分類數(shù); N_i

表示第 i 葉節(jié)點(diǎn)中的正確樣本分類總數(shù)。

假設(shè)子樹錯(cuò)誤分類了一個(gè)值為1的樣本，并正確分類了一個(gè)值為0的樣本，則子樹的錯(cuò)誤分類數(shù)

遵循伯努利分布。因此，其的統(tǒng)計(jì)信息，即平均值和標(biāo)準(zhǔn)偏差值，可以計(jì)算如下：

用葉節(jié)點(diǎn)替換子樹后，其錯(cuò)誤率可計(jì)算如下：

式中： E^′ 和 N^′ 為替換后樣本和分類錯(cuò)誤個(gè)數(shù)。

進(jìn)一步，葉節(jié)點(diǎn)的錯(cuò)誤分類數(shù)也遵循伯努利分布，其錯(cuò)誤分類數(shù)的平均值定義為

e_m^′=e_r^′×N^′

綜上，模糊規(guī)則下的剪枝條件滿足以下公式：

3 仿真與分析

想要證實(shí)提出來(lái)的Hadoop大數(shù)據(jù)框架在智能電力客服輔助決策體系中的效果，用HPLoadRunner工具做系統(tǒng)安全和功能檢驗(yàn)，進(jìn)而核實(shí)系統(tǒng)在實(shí)際場(chǎng)景中的穩(wěn)定和可靠情況[13-14]。同時(shí)，將所提系統(tǒng)在模糊決策樹算法挖掘和傳統(tǒng)決策樹挖掘算法響應(yīng)時(shí)間進(jìn)行對(duì)比，從而驗(yàn)證系統(tǒng)有效性[15]

3.1 系統(tǒng)安全性測(cè)試

為了測(cè)試采用該方法設(shè)計(jì)的系統(tǒng)的安全性，將系統(tǒng)中的漏洞數(shù)量作為評(píng)價(jià)指標(biāo)。系統(tǒng)中的漏洞數(shù)量越小，表明系統(tǒng)漏洞越少，安全性就越高[16]。傳統(tǒng)的集中式和分布式設(shè)計(jì)方法被剖析之后，本研究給出一種智能電力客服輔助決策方案[17]。這個(gè)方案是基于Hadoop和Map/Reduce架構(gòu)的，不同設(shè)計(jì)方案檢測(cè)到的漏洞總量對(duì)比結(jié)果如表1所示。

由表1可以看出，在系統(tǒng)的不同測(cè)試階段，3種設(shè)計(jì)方法在系統(tǒng)中的漏洞數(shù)量是不同的。其中，在系統(tǒng)單元測(cè)試階段，集中式、分布式和所提設(shè)計(jì)方法的系統(tǒng)中的漏洞數(shù)分別為2、2和1。在系統(tǒng)集成測(cè)試階段，集中式、分布式和所提設(shè)計(jì)方法的系統(tǒng)中的漏洞數(shù)分別為4、2和1。在系統(tǒng)驗(yàn)收測(cè)試階段，集中式、分布式和所提設(shè)計(jì)方法的系統(tǒng)中的漏洞數(shù)分別為2、3和0。這與傳統(tǒng)集中式和分布式的方法相比，所提出的設(shè)計(jì)方法下系統(tǒng)中的漏洞數(shù)量更小，表明系統(tǒng)具有更高的安全性。

3.2 系統(tǒng)資源占用率測(cè)試

本節(jié)以CPU利用率作為指標(biāo)驗(yàn)證所提系統(tǒng)資源占用率。CPU利用率越高，系統(tǒng)占用率越高[18]通過(guò)對(duì)集中式、針對(duì)分布式及其他新興設(shè)計(jì)方法展開深度剖析，不難察覺它們?cè)谙到y(tǒng)容量方面存有明顯區(qū)別，具體情形如表2所示。

由表2可以看出，伴隨客戶端服務(wù)器數(shù)目的增多，系統(tǒng)的CPU使用率也漸漸升高，這表明了各種設(shè)計(jì)方法在性能方面的差別。當(dāng)智能電力客戶端服務(wù)器數(shù)目達(dá)到1000臺(tái)時(shí)，集中式設(shè)計(jì)方法的系統(tǒng)CPU使用率為 37.7% ，這體現(xiàn)出它在高負(fù)荷狀況下具有較好的適應(yīng)性。相比之下，分布式設(shè)計(jì)法的CPU使用率保持在 22.5% ，雖然低，但還是保留了一定的性能。不過(guò)，更要關(guān)注的是，提出的設(shè)計(jì)法在這種情況下的CPU使用率只有 8.2% ，比前者低很多，這意味著這個(gè)設(shè)計(jì)在資源占用方面表現(xiàn)出很大的優(yōu)越性，體現(xiàn)出它在系統(tǒng)資源利用方面的高效率。相比于傳統(tǒng)的集中式和分布式設(shè)計(jì)，提出的方法在實(shí)際應(yīng)用中也許可以為資源節(jié)約帶來(lái)新的方向。

3.3 系統(tǒng)占用率測(cè)試

通過(guò)比較不同決策模型下系統(tǒng)的反應(yīng)時(shí)長(zhǎng)來(lái)證實(shí)提出的系統(tǒng)是否有效，不同算法下的系統(tǒng)反應(yīng)時(shí)長(zhǎng)結(jié)果如表3所示。

由表3可知，隨著服務(wù)器數(shù)目的增多，每種算法的反應(yīng)時(shí)長(zhǎng)都會(huì)大幅增長(zhǎng)。當(dāng)智能電力客戶服務(wù)器數(shù)目達(dá)到1000臺(tái)時(shí)，傳統(tǒng)決策樹模型的反應(yīng)時(shí)長(zhǎng)為24.3s；采用提出的模糊決策樹方法時(shí)，反應(yīng)時(shí)長(zhǎng)為 9.4s 。

4結(jié)語(yǔ)

此研究針對(duì)智能電力客服有關(guān)情況展開系統(tǒng)性討論，給出一套基于Hadoop大數(shù)據(jù)架構(gòu)的輔助決策體系，用以提高決策效能，這個(gè)體系構(gòu)造包含基礎(chǔ)設(shè)施層，基礎(chǔ)軟件層，客戶服務(wù)支撐層以及應(yīng)用層，再配合模糊決策樹的數(shù)據(jù)發(fā)掘算法，深度剖析電力客服渠道之間的互動(dòng)行為數(shù)據(jù)，達(dá)成電力客服的改良和細(xì)致化管控。該模型為智能電力系統(tǒng)客戶服務(wù)的發(fā)展提供了一定借鑒作用。

【參考文獻(xiàn)】

[1］吳霞斌.“互聯(lián)網(wǎng) + 電力\"的客戶服務(wù)模式分析[J].技術(shù)與市場(chǎng)，2021，28（10）：161-162.

[2]王林信，羅世剛，黎啟明，等.甘肅省高壓電力客戶智能交費(fèi)模式研究[J].電氣應(yīng)用，2019，38（2）：37-40.

[3]許逵，羅顯躍，龍黔，等.設(shè)備終端智能監(jiān)控視區(qū)布點(diǎn)技術(shù)方案優(yōu)化設(shè)計(jì)[J].粘接，2023，50（11）：153-156.

[4]劉淑潔，郭彥廷，耿泉峰.基于人工智能的電力營(yíng)業(yè)廳創(chuàng)新服務(wù)應(yīng)用[J].科技資訊，2021，19（7）：45-47.

[5］王文娟，李鴻健.基于文本挖掘的電力運(yùn)維服務(wù)項(xiàng)目智能輔助管理[J].計(jì)算機(jī)應(yīng)用與軟件，2021，38（3）：1-6.

[6]龍利娟，趙林峰，王源昌.電力市場(chǎng)兩階段英荷混合拍賣機(jī)制設(shè)計(jì)[J].云南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，43（6） ：33-38.

[7］馬曉東，顧楊青，張軍民，等.基于區(qū)域劃分的分布式短期負(fù)荷預(yù)測(cè)方案設(shè)計(jì)[J].自動(dòng)化與儀器儀表，2017（12）：88-91.

[8]牛任愷，張?chǎng)卫?，王玉君，?基于數(shù)據(jù)挖掘的電力營(yíng)銷稽查業(yè)務(wù)監(jiān)管系統(tǒng)［J].吉林大學(xué)學(xué)報(bào)（信息科學(xué)版），2022，40（1）：103-110.

[9]韓存鴿，葉球?qū)O.決策樹分類算法中C4.5算法的研究與改進(jìn)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2019，28（6）：198-202.

[10]張向聰，張潺，楊瑩，等.智能信息系統(tǒng)業(yè)務(wù)事件驅(qū)動(dòng)機(jī)理分析與運(yùn)維模型優(yōu)化研究［J].粘接，2023，50（10） ：181-184.

[11]鄭曼，周炫羽，王鋼，等.融合隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量分析算法［J].云南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，44（1）：41-44.

[12]白銳，顧楊青，趙燦等.基于電力大數(shù)據(jù)中臺(tái)的客戶畫像精準(zhǔn)構(gòu)建方法［J].產(chǎn)業(yè)科技創(chuàng)新，2022，4（6）：67-69.

［13]丁文昊，董艷敏.基于遠(yuǎn)程通信網(wǎng)絡(luò)的電力數(shù)據(jù)共享服務(wù)系統(tǒng)設(shè)計(jì)[J].長(zhǎng)江信息通信，2023，36（12）：85-87.

[14]李韞，梁哲輝，李瑩，等.基于數(shù)據(jù)整合的電力客戶服務(wù)系統(tǒng)設(shè)計(jì)[J].無(wú)線互聯(lián)科技，2022，19（10）：65-67.

[15]楊濤.互聯(lián)網(wǎng)時(shí)代下皮革行業(yè)電商物流體系研究分析[J].中國(guó)皮革，2021，50（8）：82-85.

[16]潘錦寧.基于客戶細(xì)分的智能電力服務(wù)系統(tǒng)設(shè)計(jì)[J].自動(dòng)化與儀器儀表，2017（12）：100-102.

[17]陳寧，陳孝文，馮世杰，等.基于Hadoop的電力客戶用電地址存儲(chǔ)與結(jié)構(gòu)化管理系統(tǒng)設(shè)計(jì)[J].微型電腦應(yīng)用，2020，36（2） ：97-101.

[18］霍爽，王鵬.大數(shù)據(jù)時(shí)代電力營(yíng)銷信息化建設(shè)研究[J].產(chǎn)業(yè)科技創(chuàng)新，2023，5（4）：34-36.